基于生成对抗网络的遥感图像道路提取方法技术

本发明专利技术提出一种基于生成对抗网络的遥感图像道路提取方法，解决了遥感图像道路提取准确率低，道路连续性不佳的问题。实现步骤为：在现有遥感数据库中选取样本集并划分测试样本和训练样本；设置生成对抗网络结构，包括生成网络和判别网络；设定用于道路提取的生成对抗网络失函数，包括传统生成对抗网络损失和针对于道路提取的欧式距离损失；用自适应矩估计法训练生成对抗网络得到网络参数；训练好的模型对测试样本进行道路提取；输出有路网和背景信息的遥感图像。本发明专利技术提高了道路提取准确性，提取的路网更加完整、道路连续性更好，准确率、查全率、查准率与F1‑score都有显著提升，用于遥感图像的道路提取。

【技术实现步骤摘要】
基于生成对抗网络的遥感图像道路提取方法
本专利技术属于图像处理
，涉及一种图像的道路提取方法，更进一步涉及基于生成对抗网络的道路提取，具体是一种基于生成对抗网络的遥感图像道路提取方法，用于获取一幅光学遥感图像的路网结构。
技术介绍
遥感图像道路提取，旨在取代繁琐的人工作业，利用道路提取方法，得到输入遥感图像的道路和背景的提取结果图。目前的道路提取方法大致可以分为三类。第一类是基于特征层次的道路提取方法，例如：边缘与平行线法、模版匹配法、滤波法；第二类是基于对象层次的方法，例如：多分辨率分析法、区域统计分析法、道路单元修整与连接法；第三类是基于知识层次的道路提取方法，例如：结合多源数据法、道路特征与相关理论结合法。这三大类方法道路提取效果不够理想，总体精度较低。目前更多研究人员致力于基于机器学习与深度学习的道路提取方法，例如：聚类、支持矢量机、贝叶斯分类等，这些基于传统机器学习的方法利用一些有标记的训练样本，能够取得很好的结果，但是道路提取精度仍然有待进一步提升，而基于深度学习的方法，例如：卷积神经网络、全卷积神经网络等，好的性能通常需要大量有标记样本的支撑，但是由于遥感图像获取本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的遥感图像道路提取方法，其特征在于，包括步骤如下：(1)遥感图像划分为训练样本和测试样本：对输入大小为N×N的遥感图像以及遥感图像对应的二值类标图像进行划分，其中多半作为训练样本，其余作为测试样本；(2)设置用于遥感图像道路提取的生成对抗网络结构：(2a)生成对抗网络中的生成网络结构设置为全卷积神经网络；(2b)生成对抗网络中的判别网络结构设置为二分类卷积神经网络；(2c)生成网络与判别网络共同构成生成对抗网络；(3)设定用于道路提取的生成对抗网络的损失函数Loss：将包含道路信息的正样本惩罚和负样本惩罚的生成对抗网络损失与提取结果与真实道路信息之间的欧式距离损失分别加...

【技术特征摘要】
1.一种基于生成对抗网络的遥感图像道路提取方法，其特征在于，包括步骤如下：(1)遥感图像划分为训练样本和测试样本：对输入大小为N×N的遥感图像以及遥感图像对应的二值类标图像进行划分，其中多半作为训练样本，其余作为测试样本；(2)设置用于遥感图像道路提取的生成对抗网络结构：(2a)生成对抗网络中的生成网络结构设置为全卷积神经网络；(2b)生成对抗网络中的判别网络结构设置为二分类卷积神经网络；(2c)生成网络与判别网络共同构成生成对抗网络；(3)设定用于道路提取的生成对抗网络的损失函数Loss：将包含道路信息的正样本惩罚和负样本惩罚的生成对抗网络损失与提取结果与真实道路信息之间的欧式距离损失分别加权后进行求和，其和值设定为用于道路提取的生成对抗网络的损失函数Loss；(4)对生成对抗网络进行训练：采用自适应矩估计优化算法，通过训练样本和用于道路提取的生成对抗网络的损失函数，对生成对抗网络进行训练，得到包含模型参数的生成对抗网络；(4a)采用梯度上升的自适应矩估计优化算法，通过总体的损失函数来训练判别网络；(4b)采用梯度下降的自适应矩估计优化算法，通过总体的损失函数来训练生成网络；(4c)反复进行(4a)、(4b)两个步骤，轮换对判别网络和生成网络进行训练，直到模型参数收敛，得到训练好的模型；(5)用训练好的模型对测试样本进行道路提取：将测试样本中的遥感图像输入已经训练好的生成网络中，得到只包含道路与背景的二值类标图，即为所需提取过道路的遥感图像；(6)输出提取过道路的遥感图像。2.根据...

【专利技术属性】
技术研发人员：张向荣，焦李成，韩骁，唐旭，白静，冯婕，侯彪，马文萍，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61